Finanzierung von Radical Ventures AI NeoLabs erreichte 24 Milliarden Dollar, doch Produkte hinken weiter hinterher
Die Finanzierung von Radical Ventures AI NeoLabs soll in den vergangenen zwei Quartalen 24 Milliarden Dollar erreicht haben, obwohl vielen Empfängern etablierte Produkte, Märkte oder Umsätze fehlen. Laut einer von der Financial Times hervorgehobenen Analyse entspricht die Summe fast dem Fünffachen des Kapitals, das OpenAI und Anthropic vor dem Erscheinen von ChatGPT eingesammelt hatten.
Dieser Vergleich verdeutlicht eine deutliche Umkehr in der Startup-Finanzierung. OpenAI und Anthropic investierten Jahre in den Aufbau von Forschungsprogrammen, bevor ihre kommerzielle Dynamik offensichtlich wurde. Heute setzen Investoren Milliarden auf neu formierte Teams, bevor diese einen Product-Market-Fit nachgewiesen haben.
Radical Ventures bezeichnet diese Unternehmen als „NeoLabs“: von Forschern geführte Startups, die außerhalb etablierter Frontier-Labore an grundlegenden Fortschritten in der KI arbeiten. Zu dieser Kategorie zählen Safe Superintelligence, Thinking Machines Lab, World Labs, Reflection AI und Dutzende stärker spezialisierte Forschungsunternehmen.
Die Wette lautet nicht einfach, dass ein weiterer Chatbot Marktanteile gewinnen wird. Investoren setzen darauf, dass kleine Gruppen anerkannter Forscher die Architektur, Trainingsmethode oder das Lernsystem entdecken können, das den heute dominierenden Ansatz ablöst.
Diese These wirft eine unbequeme Frage auf: Finanzieren Venture-Firmen das nächste OpenAI noch vor seinem Durchbruch – oder zahlen sie Bewertungen auf Frontier-Unternehmensniveau für Forschungsprojekte, deren kommerzielle Wege weiterhin unklar sind?
Finanzierung von Radical Ventures AI NeoLabs erreichte ein neues Extrem
Die entscheidende Veränderung ist die Höhe des Kapitals, das Investoren bereit sind zuzusagen, bevor klassische Startup-Nachweise vorliegen.
Radical Ventures hat mehr als 40 unabhängige AI NeoLabs identifiziert, die seit 2024 zusammen über 40 Milliarden Dollar eingesammelt haben. Seine NeoLab-Marktkarte ordnet sie Bereichen wie Weltmodellen, Reinforcement Learning, kontinuierlichem Lernen, Diffusion und weiteren Forschungsrichtungen zu.
Dem Bericht der Financial Times zufolge flossen allein in den zwei jüngsten Quartalen 24 Milliarden Dollar. Dieses Tempo ist wichtiger als die kumulierte Summe, weil es darauf hindeutet, dass die Finanzierung sich beschleunigt, statt sich nach dem ersten Ansturm zu stabilisieren.
Radical Ventures zieht einen historischen Vergleich: Zusammen nahmen OpenAI und Anthropic zwischen der Gründung von OpenAI im Jahr 2015 und der Veröffentlichung von ChatGPT im November 2022 5,3 Milliarden Dollar auf. Die neue Gruppe zog innerhalb von sechs Monaten nahezu das Fünffache dieser Summe an.
Der Vergleich ist nicht perfekt. Die Rechenkosten sind gestiegen, Investoren kennen KI heute besser, und spätere Labore können Fachleute mit nachgewiesener Erfahrung beim Aufbau von Frontier-Modellen gewinnen. Ein 2026 eingeworbener Dollar hat zudem nicht dieselbe Kaufkraft oder denselben Marktkontext wie ein Dollar vor einigen Jahren.
Diese Einschränkungen beseitigen jedoch nicht die zugrunde liegende Verschiebung. Startup-Finanzierung folgte früher meist dem Nachweis, dass ein Unternehmen einen Markt entdeckt hatte. Im Modell der AI NeoLabs kommt Kapital häufig, um die Suche nach einer Entdeckung zu finanzieren, die später einen Markt schaffen könnte.
Safe Superintelligence veranschaulicht dieses Muster. Ilya Sutskever, Daniel Gross und Daniel Levy gründeten das Unternehmen im Juni 2024 mit einem erklärten Ziel: sichere Superintelligenz zu entwickeln. Innerhalb weniger Monate hatte das Labor seine erste Milliarde Dollar eingesammelt.
Die öffentliche Website von SSI erklärt, der konsequente Fokus vermeide „Produktzyklen“ und schütze die Arbeit vor kurzfristigem kommerziellem Druck. Diese forschungsorientierte Mission verschiebt die üblichen Verpflichtungen eines Software-Startups ungewöhnlich offen auf später.
Berichten aus dem Jahr 2025 zufolge nahm SSI anschließend weitere 2 Milliarden Dollar bei einer Bewertung von 32 Milliarden Dollar auf. Zu diesem Zeitpunkt hatte das Unternehmen weiterhin keine öffentliche Produkt-Roadmap. Investoren bewerteten die Gründer, das Forschungsziel und die Möglichkeit eines künftigen Durchbruchs.
Thinking Machines Lab beschritt eine andere Variante desselben Weges. Das von der früheren OpenAI-Chief-Technology-Officer Mira Murati gegründete Unternehmen schloss eine Seed-Runde über 2 Milliarden Dollar ab, bevor es ein Produkt veröffentlichte. Laut zeitgenössischen Berichten erreichte seine frühe Bewertung 12 Milliarden Dollar.
Größe und Zeitpunkt dieser Runden verändern die Bedeutung von „Seed-Investment“. Eine Seed-Runde finanziert traditionell erste Einstellungen, Produktentwicklung und frühe Marktversuche. Eine milliardenschwere NeoLab-Runde finanziert Talente, Rechenkapazität und Zeit in einer Größenordnung, die eher institutionell wirkt.
Radical Ventures zufolge haben seit Anfang 2025 13 nordamerikanische und europäische Modellanbieter Finanzierungsrunden von mindestens 1 Milliarde Dollar abgeschlossen. Acht davon gehörten zu seiner NeoLab-Kategorie.
Dabei handelt es sich nicht um vereinzelte Deals mit prominenten Gründern. Sie bilden eine entstehende Kapitalstruktur für KI-Forschung – aufgebaut auf ungewöhnlich hohen frühen Zusagen und sehr langen technischen Zeithorizonten.
Warum Investoren Teams vor Produkten finanzieren
Investoren in AI NeoLabs finanzieren knappe Forschungstalente und Forschungsthesen, nicht aktuelle Umsätze.
Dieser Ansatz beruht auf der Überzeugung, dass eine kleine Zahl von Forschern die Entwicklung der künstlichen Intelligenz wesentlich verändern kann. Ihre bisherigen Leistungen werden zu Stellvertretern für Produkte, die noch nicht existieren.
Sutskever wirkte vor der Mitgründung von OpenAI an der Entwicklung einflussreicher neuronaler Netzwerksysteme mit. Murati verantwortete bei OpenAI bedeutende Produkt- und Forschungsinitiativen. Die Gründerin von World Labs, Fei-Fei Li, verfügt über jahrzehntelang anerkannte Arbeit in Computer Vision und räumlicher Intelligenz.
Diese Hintergründe verringern eine Form der Unsicherheit. Investoren können beurteilen, ob ein Gründerteam zuvor zu Frontier-Systemen beigetragen, Spitzenkräfte rekrutiert und große Rechenprogramme geleitet hat.
Sie beseitigen jedoch nicht die Marktunsicherheit. Ein erfolgreiches Forschungsteam kann eine Idee verfolgen, die technisch scheitert, nach einem Wettbewerber auf den Markt kommt oder für Kunden zu teuer ist.
Das Argument der Investoren beruht teilweise auf extrem ungleich verteilten Renditen. Die meisten Labore können scheitern, wenn ein erfolgreiches Unternehmen zu einer neuen Plattform mit enormem wirtschaftlichem Wert wird. Ein einzelner Gewinner könnte die Verluste im übrigen Portfolio eines Fonds ausgleichen.
OpenAI und Anthropic dienen als Existenzbeweise. Beide gingen aus konzentrierten Forschergruppen hervor, zogen beträchtliches Kapital an und entwickelten schließlich breit genutzte Produkte. Ihre Entwicklung lässt ein neues unabhängiges Labor weniger unwahrscheinlich erscheinen, als es vor ChatGPT gewesen wäre.
Doch der Vergleich verdichtet Jahre schwieriger Entwicklung zu einer klaren Erfolgsgeschichte. OpenAI erforschte Robotik, Reinforcement Learning, Sprachmodelle und weitere Projekte, bevor ChatGPT breite Akzeptanz erzielte. Anthropic entwickelte seine Modelle und Sicherheitsmethoden, während es zugleich ein auf Unternehmen ausgerichtetes kommerzielles Geschäft aufbaute.
Neue NeoLabs erhalten Bewertungen, die davon beeinflusst sind, was diese Unternehmen geworden sind – nicht davon, wie sie in ihren frühesten Jahren aussahen. Investoren ziehen den erwarteten künftigen Wert faktisch nach vorn.
Der Wettbewerb um Talente verstärkt dieses Verhalten. Ein neu gegründetes Labor kann anerkannte Forscher nicht allein mit einem fernen Versprechen und gewöhnlicher Startup-Vergütung einstellen. Es benötigt genügend Kapital, um wettbewerbsfähige Pakete anzubieten, Rechenkapazität zu sichern und zu zeigen, dass seine Arbeit mehrere Trainingszyklen überdauern kann.
Radical Ventures schätzt, dass mehr als 40 NeoLab-Gründer zuvor bei Google DeepMind tätig waren. Andere verließen OpenAI, Meta, führende Universitäten und etablierte KI-Startups.
Der Einfluss von DeepMind ist besonders wichtig. Seine Teams leisteten Beiträge zu AlphaGo, AlphaStar, AlphaFold und weiteren viel beachteten Forschungsprogrammen. Ehemalige Mitarbeiter bringen sowohl technisches Wissen als auch berufliche Netzwerke in neue Unternehmen ein.
Dadurch entsteht ein zirkulärer Finanzierungsmechanismus. Berühmte Forscher ziehen Kapital an, das Kapital hilft bei der Rekrutierung weiterer berühmter Forscher, und das größere Team stützt eine höhere Bewertung. Produktnachweise können in den frühen Phasen dieses Zyklus zweitrangig bleiben.
Investoren fürchten zudem, ein kategoriedefinierendes Unternehmen zu verpassen. Sobald ein Labor ein renommiertes Team und eine große Rechenzusage gesichert hat, kann ein späterer Einstieg deutlich teurer werden.
Diese Sorge begünstigt schnelle Entscheidungen. Auf Umsätze zu warten, könnte bessere Belege liefern, aber auch den Zugang zur Beteiligung versperren oder die Einstiegsbewertung drastisch erhöhen.
Das Ergebnis ähnelt eher der Finanzierung pharmazeutischer Forschung als gewöhnlicher Software. Investoren finanzieren wissenschaftliche Programme über lange Phasen ohne kommerzielle Umsätze, weil eine erfolgreiche Entdeckung ein wertvolles Produktportfolio tragen kann.
KI unterscheidet sich jedoch in einem entscheidenden Punkt. Die pharmazeutische Entwicklung verfügt über strukturierte klinische Phasen, regulatorische Meilensteine und klarere Verfahren zum Vergleich potenzieller Behandlungen. Der Frontier-KI-Forschung fehlt ein entsprechender Validierungsrahmen.
Benchmarks liefern nur begrenzte Hinweise, denn sie können optimiert, kontaminiert oder rasch überholt werden. Technische Demonstrationen zeigen Fähigkeiten, ohne zu beweisen, dass Kunden genug zahlen werden, um Entwicklungs- und Inferenzkosten zu decken.
Diese Lücke erklärt, warum die Reputation von Gründern so viel finanzielles Gewicht trägt. Wenn objektive Meilensteine unsicher bleiben, werden frühere Erfolge zu einem ungewöhnlich wichtigen Signal.
Die Wette lautet: neue Architekturen gegen die aktuelle Frontier
Der zentrale Wettbewerb findet zwischen alternativen Forschungsparadigmen und den bereits von etablierten Unternehmen kommerzialisierten, hochskalierten Transformer-Systemen statt.
Die meisten NeoLabs versprechen nicht einfach eine leicht verbesserte Version eines bestehenden Assistenten. Sie argumentieren ausdrücklich oder implizit, dass aktuelle Modelle an Grenzen stoßen, die einen anderen technischen Weg erfordern.
Forscher zu Weltmodellen glauben, dass Systeme interne Repräsentationen physischer Umgebungen benötigen, nicht nur aus Text gelernte statistische Muster. Solche Modelle versuchen vorherzusagen, wie sich eine Szene oder Umgebung nach einer Handlung verändert.
World Labs verfolgt räumliche Intelligenz, während andere Unternehmen verwandte Ideen auf Robotik, Video und Simulation anwenden. Ihre Chance hängt davon ab, dass aktuelle multimodale Modelle eine Grenze erreichen, die weltbasierte Repräsentationen überschreiten können.
Unternehmen für kontinuierliches Lernen konzentrieren sich auf eine weitere Einschränkung. Die meisten eingesetzten Foundation Models bleiben nach dem Training weitgehend unverändert. Entwickler können abgerufene Informationen hinzufügen oder sie feinabstimmen, doch das zugrunde liegende Modell aktualisiert sich nicht fortlaufend durch Alltagserfahrungen.
Ein erfolgreiches System für kontinuierliches Lernen würde sich anpassen und zugleich früheres Wissen bewahren. Diese Kombination bleibt schwierig, da neues Lernen zuvor erworbene Fähigkeiten beschädigen kann – ein Problem, das häufig als katastrophales Vergessen bezeichnet wird.
Labore für Reinforcement Learning vertreten ein anderes Argument. Sie sind der Ansicht, dass Modelle, die vor allem darauf trainiert wurden, von Menschen erzeugte Daten vorherzusagen, nicht zuverlässig über bestehendes Wissen hinausgehen können.
Ihre Systeme lernen aus Rückmeldungen in Umgebungen, in denen Ergebnisse überprüft werden können. Ein Spiel zu gewinnen, eine Gleichung zu beweisen oder ein funktionierendes Programm zu erzeugen, liefert ein stärkeres Signal als die bloße Nachahmung von Text.
Andere Gruppen erforschen diffusionsbasierte Sprachmodelle. Herkömmliche autoregressive Modelle erzeugen Token nacheinander. Diffusionsansätze können größere Blöcke parallel verfeinern und damit möglicherweise das Verhältnis zwischen Geschwindigkeit, Kosten und Ausgabequalität verändern.
Energiebasierte Modelle verfolgen einen weiteren Ansatz. Statt eine Sequenz direkt zu generieren, bewerten sie Kandidatenkonfigurationen anhand von Einschränkungen. Befürworter glauben, dass dieser Prozess Planung und überprüfbares Schlussfolgern verbessern kann.
Diese Ansätze sind technisch unterschiedlich, doch ihre Investment-Narrative folgen derselben Struktur. Jedes Labor identifiziert eine Einschränkung heutiger Spitzenmodelle und schlägt eine Methode vor, die unverzichtbar werden könnte, sobald Skalierung nur noch abnehmende Erträge liefert.
OpenAI, Anthropic, Google DeepMind und Meta stehen nicht still, während diese Startups forschen. Die etablierten Unternehmen können viele derselben Methoden intern untersuchen – gestützt auf vorhandene Infrastruktur, Vertrieb und Kundenbeziehungen.
Genau darin liegt der zentrale Druck auf die NeoLab-These. Ein Startup braucht mehr als eine tragfähige Forschungsidee. Es muss diese Idee schneller entwickeln, als ein etablierter Akteur sie nachbilden, übernehmen oder überholen kann.
Radical Ventures führt dieses bewegliche Ziel als eines der zentralen Risiken der Kategorie auf. Coding-Labore können beispielsweise Jahre in spezialisierte Systeme investieren, nur um dann auf sich rasch verbessernde Produkte wie Claude Code oder Codex zu treffen.
Open-Weight-Modelle schaffen eine weitere Herausforderung. Wenn leistungsfähige Systeme kurz nach Abschluss eines teuren Trainingslaufs öffentlich verfügbar werden, kann die technische Differenzierung ihren kommerziellen Wert verlieren, bevor das Unternehmen einen Vertrieb aufgebaut hat.
Forschungsoriginalität garantiert ebenfalls kein dauerhaftes Geschäft. Ein Labor könnte eine einflussreiche Technik veröffentlichen, die größere Unternehmen integrieren, ohne den ursprünglichen Entwickler zu bezahlen.
Das beste Ergebnis erfordert drei miteinander verbundene Erfolge. Das Team muss einen echten technischen Fortschritt erzielen, ihn in ein Produkt überführen und einen kommerziellen Vorteil schaffen, den Wettbewerber nicht schnell beseitigen können.
Der erste Schritt zieht Aufmerksamkeit und Finanzierung an. Der zweite und dritte entscheiden darüber, ob Investoren ein Unternehmen oder ein ungewöhnlich teures Forschungsprogramm finanziert haben.
Was die Zahl von 24 Milliarden US-Dollar nicht zeigt
Hohe Finanzierungssummen in Schlagzeilen können überzeichnen, wie viel unabhängige Risikokapitalgeber tatsächlich riskiert haben und wie viel nutzbares Kapital die Labore kontrollieren.
Ankündigungen privater Finanzierungen bündeln oft mehrere Formen von Zusagen. Eine gemeldete Runde kann Bargeld, Cloud-Gutschriften, künftige Tranchen, strategische Beteiligungen oder an bestimmte Bedingungen geknüpfte Finanzierungen umfassen.
Die Schlagzeilensumme entspricht daher nicht immer frei verfügbarem Geld, das unmittelbar auf dem Bankkonto eines Unternehmens eingegangen ist. Ohne vollständige Transaktionsunterlagen können Außenstehende nicht verlässlich jede Runde zu identischen Bedingungen vergleichen.
Auch Bewertungen können eine weitere Verzerrung schaffen. Ein kleiner Anteil eines Unternehmens kann zu einem hohen Preis verkauft werden und so eine Schlagzeilenbewertung für das gesamte Geschäft festlegen. Diese Zahl zeigt nicht, ob das Unternehmen einen deutlich größeren Anteil zum selben Preis verkaufen könnte.
Strategische Investoren verfolgen zudem Interessen, die über finanzielle Renditen hinausgehen. Chiphersteller profitieren, wenn Labore Rechenhardware kaufen. Cloud-Anbieter profitieren, wenn Startups sich langfristig zur Nutzung ihrer Infrastruktur verpflichten.
Nvidia ist laut Radical Ventures zu einem der aktivsten Investoren im Markt für Modellanbieter geworden. Diese Position spiegelt die enge Verbindung zwischen Startup-Finanzierung und Nachfrage nach Rechenleistung wider.
Radical schätzt, dass Training und Inferenz gewöhnlich deutlich mehr als die Hälfte der Ausgaben eines NeoLabs ausmachen. Wenn ein Investor Chips, Cloud-Kapazität oder an Infrastruktur gebundene Finanzierung bereitstellt, stützt ein Teil der Transaktion das eigene kommerzielle Ökosystem des Investors.
Das macht die Investition nicht künstlich. Labore benötigen tatsächlich Rechenleistung, und strategische Partnerschaften können das Risiko fehlender Kapazitäten senken. Dennoch erschwert es jede einfache Interpretation von Finanzierung als unabhängiges Vertrauen in künftige Produkterlöse.
Zusagen für Rechenkapazität können auch zu Verbindlichkeiten werden. Ein Labor kann sich Kapazität für Jahre sichern, bevor es weiß, welche Architektur funktionieren wird oder wie viel Nachfrage ein künftiges Produkt erzeugen wird.
Das Training eines Spitzenmodells schafft einen technischen Vermögenswert, doch jede neue Generation kann eine weitere große Investition erfordern. Ein Unternehmen, das einen wichtigen Zyklus verpasst, kann gezwungen sein, erneut zu ungünstigen Konditionen Kapital aufzunehmen.
SSIs ursprüngliche Finanzierung zeigte, wie schnell diese Spannung entstehen kann. Axios stellte fest, dass selbst eine Milliardenrunde in bar möglicherweise nicht lange reicht, wenn das Unternehmen Superintelligenz ohne zwischenzeitliche Erlöse verfolgt. Seine Finanzierungsanalyse bezeichnete wiederholten Kapitalbedarf als zentrales Risiko.
Fehlende Umsätze sind nicht automatisch ein Hinweis auf Scheitern. Forschungsorientierte Unternehmen können die Kommerzialisierung vernünftigerweise hinauszögern, während sie ein schwieriges technisches Programm schützen.
Das Problem besteht darin, dass Investoren produktive Geduld von einem unbefristeten Fehlen von Validierung unterscheiden müssen. Private Berichterstattung liefert Außenstehenden nur begrenzte Informationen über Trainingsergebnisse, Ausgabenraten oder interne Meilensteine.
Labore können im Stealth-Modus bleiben und zugleich zu höheren Bewertungen Kapital aufnehmen. Jede neue Runde scheint dann die vorherige zu bestätigen, selbst wenn das stärkste Signal lediglich die Bereitschaft eines weiteren Investors zur Beteiligung ist.
Das Modell wird fragil, wenn die Kapitalverfügbarkeit nachlässt. Ein Unternehmen mit zahlenden Kunden kann seine Ausgaben anpassen, Margen verbessern oder sich auf sein stärkstes Produkt konzentrieren. Ein Labor ohne Umsätze hat weniger Optionen, weil Kürzungen bei Rechenleistung oder der Verlust von Forschern seinen wichtigsten Vermögenswert untergraben können.
Die Konzentration von Talenten birgt ein ähnliches Risiko. Die Bewertung eines Labors kann stark von einigen anerkannten Gründern oder leitenden Forschern abhängen. Wenn sie gehen, kann das Unternehmen ihren Ruf nicht so leicht ersetzen wie ein Softwareunternehmen einen Vertriebsleiter.
Thinking Machines erlebte ein frühes Beispiel, als Mitgründer Andrew Tulloch nach der großen Seed-Finanzierung zu Meta zurückkehrte. Der Abgang entschied nicht über das Schicksal des Unternehmens, zeigte aber, wie schnell eine auf Talenten basierende Investment-These auf die Probe gestellt werden kann.
Bei traditioneller Startup-Due-Diligence geht es darum, ob Kunden ein Produkt wiederholt wählen. Bei NeoLab-Due-Diligence geht es häufig darum, ob ein Team lange genug zusammenbleiben kann, um etwas Verteidigungsfähiges zu entdecken.
Diese Fragen verlangen unterschiedliche Belege. Finanzierungssummen beantworten keine von beiden.
Die Finanzierung von AI NeoLabs setzt etablierte Unternehmen und kleinere Startups unter Druck
Das Geld verschärft den Wettbewerb um Forscher und Rechenleistung und erhöht zugleich die Mindestkosten für die unabhängige Entwicklung von Spitzen-KI.
OpenAI, Anthropic, Google DeepMind und Meta stehen vor einem direkten Bindungsproblem. Ihre stärksten Forscher wissen nun, dass ein Weggang enorme Finanzierung und beträchtliche Kontrolle über eine neue Forschungsagenda ermöglichen kann.
Große Labore können mit höherer Vergütung, mehr Autonomie oder internen Teams reagieren, die um spekulative Projekte herum organisiert sind. Metas aggressive Recruiting-Kampagnen zeigten, wie schnell die Vergütung von Forschern zu einer strategischen Ausgabe werden kann.
Die etablierten Unternehmen behalten wichtige Vorteile. Sie bieten riesige Rechensysteme, erfahrene Betriebsteams, Zugang zu proprietären Daten und unmittelbare Wege von Forschung zu Millionen von Nutzern.
Größe kann jedoch auch Frustration erzeugen. Produktzeitpläne, Sicherheitsprüfungen, Enterprise-Verpflichtungen und organisatorische Ebenen können Forscher einschränken, die eine engere technische These verfolgen wollen.
NeoLabs verkaufen eine Alternative. Ein kleines Team kann ein langfristiges Problem auswählen, die Unterstützung ausgereifter Produkte vermeiden und das gesamte Unternehmen um seine Forschung herum organisieren.
Dieses Angebot setzt auch unabhängige Startups unter Druck. Ein konventionelles KI-Unternehmen, das mehrere Millionen Dollar für ein nützliches Produkt sucht, konkurriert nun um Aufmerksamkeit mit Laboren, die Milliarden für dramatischere technische Ambitionen einwerben.
Die beiden Gruppen verfolgen oft unterschiedliche Märkte, schöpfen aber aus überlappenden Pools von Ingenieuren, Investoren und Rechenressourcen. Hohe Vergütungen in gut finanzierten Laboren können die Einstellung für produktorientierte Unternehmen erheblich erschweren.
Cloud- und Chipkapazität schaffen eine weitere Trennlinie. Radical Ventures argumentiert, dass garantierter, mehrjähriger Zugang zu Rechenleistung restriktiver geworden ist als Kapital selbst.
Ein Team kann Geld einwerben und trotzdem Schwierigkeiten haben, zur richtigen Zeit genügend fortschrittliche Beschleuniger zu erhalten. Verzögerungen können Trainingspläne stören, während besser vernetzte Rivalen vorankommen.
Die Finanzierungswelle betrifft auch Unternehmenskäufer. Mehr Labore versprechen spezialisierte Modelle, alternative Architekturen oder kostengünstigere Inferenz. Käufer erhalten mehr Optionen, doch viele Anbieter verfügen nicht über nachgewiesene Betriebshistorien.
Ein technischer Benchmark beantwortet nicht, ob ein Anbieter Produktionslasten unterstützen, Daten schützen, Serviceverpflichtungen erfüllen oder mehrere Jahre überstehen kann. Beschaffungsteams müssen neben den Modellfähigkeiten auch die finanzielle Ausdauer der Lieferanten bewerten.
Entwickler stehen vor einem verwandten Problem. Der umfassende Aufbau auf einem neuen Modell kann Wechselkosten schaffen, selbst wenn dessen Application Programming Interface mit Alternativen kompatibel erscheint.
Ein NeoLab, das die Richtung ändert, keine Finanzierung mehr erhält oder sein Team an einen etablierten Akteur verkauft, kann Kunden ohne die erwartete Produkt-Roadmap zurücklassen.
Eine Übernahme ist kein garantierter Rettungsanker. Radical Ventures weist darauf hin, dass der Kreis natürlicher Käufer begrenzt ist, weil große Technologieunternehmen bereits enge Beziehungen zu etablierten KI-Laboren pflegen.
Regulierungsbehörden haben zudem Vereinbarungen untersucht, die Teams und Technologie übertragen, ohne ein ganzes Unternehmen zu kaufen. Diese sogenannten Reverse-Acquihires können Gründern und Mitarbeitern einen Ausstieg ermöglichen, während externe Investoren mit unsicheren Rückflüssen zurückbleiben.
Microsofts Vereinbarung mit Inflection AI zeigte, warum solche Strukturen Aufmerksamkeit der Aufsicht auf sich ziehen. Die Transaktion überführte leitende Mitarbeiter und lizenzierte Technologie, ohne der einfachsten Form einer konventionellen Übernahme zu folgen.
Für ein erfolgreiches NeoLab kann der Druck auf etablierte Unternehmen produktiv werden. Eine glaubwürdige Alternative kann schnellere Veröffentlichungen, bessere Forschungsbedingungen oder wettbewerbsfähigere Preise erzwingen.
Bei erfolglosen Laboren kann derselbe Druck kostspielige Doppelarbeit erzeugen. Mehrere Teams können viel Geld für das Training ähnlicher Systeme ausgeben, bevor sie erkennen, dass keines einen verteidigungsfähigen Vorteil besitzt.
Die 24-Milliarden-Dollar-Welle erhöht daher sowohl Experimente als auch Verschwendung. Venture-Portfolios können diese Kombination verkraften, doch Infrastrukturanbieter, Beschäftigte und Unternehmenskunden erleben die Folgen unterschiedlich.
Drei Signale werden die AI-NeoLab-These prüfen
Produkte, unabhängige technische Belege und wiederholbare Umsätze werden entscheiden, ob die Finanzierungswelle neue Spitzenunternehmen hervorgebracht hat.
Das erste Signal ist die Produktbereitstellung. Labore, die große frühe Runden aufgenommen haben, müssen Forschungsprogramme in Systeme verwandeln, die externe Nutzer prüfen können.
Eine Veröffentlichung muss nicht ChatGPT ähneln. Sie kann ein Modell, eine Entwicklerplattform, ein Robotiksystem, ein wissenschaftliches Werkzeug oder ein Infrastrukturprodukt sein. Sie muss dennoch ein klar definiertes Problem für Nutzer außerhalb des Gründungs-Forschungsteams lösen.
Thinking Machines lieferte einen frühen Test, als es nach seiner Rekord-Seed-Runde begann, Tools zu veröffentlichen. Seine Unternehmensupdates bieten eine öffentliche Dokumentation, mit der Investoren und Entwickler frühere Erwartungen vergleichen können.
Die entscheidende Frage ist nicht, ob ein Labor etwas auf den Markt bringt. Unternehmen können bestehende Methoden in respektable Demonstrationen verpacken. Die Frage lautet, ob das Produkt einen Vorteil zeigt, der mit der ursprünglichen Forschungsthese des Labors verbunden ist.
Das zweite Signal ist unabhängige technische Validierung. NeoLabs machen häufig Aussagen über neue Lernmethoden, Architekturen oder Wege zu allgemeiner Intelligenz.
Diese Aussagen werden glaubwürdiger, wenn externe Forscher Ergebnisse reproduzieren können, Kunden die Leistung testen können oder detaillierte Bewertungen Vorteile bei relevanten Aufgaben zeigen.
Ein Benchmark-Vorsprung, der nach wenigen Wochen verschwindet, stützt eine Bewertung in Milliardenhöhe nur begrenzt. Eine Methode, die Trainingskosten senkt, Zuverlässigkeit verbessert oder zuvor unpraktische Anwendungen ermöglicht, liefert stärkere Belege.
Investoren sollten zudem beobachten, ob etablierte Anbieter ähnliche Methoden übernehmen. Eine solche Übernahme kann die Forschungsrichtung bestätigen, zugleich aber den kommerziellen Burggraben eines Start-ups schwächen.
Das dritte Signal ist die Qualität der Umsätze. Ein Labor muss nicht sofort profitabel sein, doch wiederkehrende Kundennachfrage unterscheidet ein dauerhaft tragfähiges Unternehmen von einem finanzierten Experiment.
Die Umsätze sollten von Kunden stammen, die sich bewusst für das Produkt entscheiden – und nicht überwiegend aus verbundenen strategischen Vereinbarungen oder einmaligen Forschungspartnerschaften. Das Wachstum muss auch nach Berücksichtigung von Inferenz- und Infrastrukturkosten substanziell bleiben.
Die Entwicklung von OpenAI zeigt, weshalb Distribution entscheidend ist. Die Finanzierungsankündigung des Unternehmens aus dem Jahr 2025 verknüpfte neues Kapital mit ausgebauter Infrastruktur und Produkten für Hunderte Millionen wöchentliche Nutzer. Das Funding-Update des Unternehmens verband Forschungsausgaben mit einem bereits sichtbaren Motor der Adoption.
Die meisten neuen Labore haben diesen Kreislauf noch nicht etabliert. Sie beschaffen das Kapital, das nötig ist, um herauszufinden, ob ein solcher überhaupt existiert.
Die kommenden Quartale dürften innerhalb dieser Kategorie deutliche Unterschiede offenlegen. Einige Teams werden glaubwürdige Systeme veröffentlichen. Andere bleiben privat und suchen weiteres Kapital. Einige wenige werden Talente verlieren, ihre Richtung ändern oder strategische Exits anstreben.
Die Gesamtsumme von 24 Milliarden US-Dollar ist daher ein Ausgangspunkt, keine Leistungsbilanz. Sie misst die Bereitschaft von Investoren, alternative Wege jenseits der heutigen Frontier-Unternehmen zu finanzieren. Sie misst nicht, wie viele dieser Wege funktionieren.
Entwickler und Unternehmenskäufer sollten darauf achten, ob das Produkt jedes Labors seine versprochene technische Differenzierung widerspiegelt. Investoren sollten über die nächste Bewertung hinausblicken und fragen, ob sich die Evidenz schneller verdichtet als die Ausgaben steigen.
Die Finanzierung von Radical Ventures für AI NeoLabs hat unabhängige Frontier-Forschung in einem beispiellosen Maßstab ermöglicht. Die schwierigere Aufgabe beginnt nach Abschluss der Finanzierungsrunde: konzentriertes Talent, kostspielige Rechenleistung und wissenschaftlichen Ehrgeiz in Produkte zu verwandeln, die Menschen wiederholt wählen.
Welche Labore können diese Umwandlung vor ihrer nächsten großen Finanzierungsrunde nachweisen? Die Antwort wird zeigen, ob der NeoLab-Boom die KI-Grenze erweitert oder lediglich die Suche danach verteuert hat.
